การทำนายปี 2026: จากการทำให้ LLM มีราคาถูกไปสู่ยุคของความทรงจำอัจฉริยะ

ณ ต้นปี 2025 ฉันทำนายว่าโมเดลภาษาขนาดใหญ่จะกลายเป็นสินค้าโภคภัณฑ์

เมื่อราคาของโทเค็นลดลงและองค์กรต่างๆ ย้ายจากการทดลองไปสู่การผลิต การทำนายนั้นก็กลายเป็นความจริงอย่างรวดเร็ว และเปลี่ยนแปลงวิธีการสร้างและจัดการระบบ AI ที่จะเข้าสู่ปี 2026

สิ่งที่ปี 2025 ได้ทำถูกต้อง

แนวโน้มหลายอย่างที่ดูไม่แน่นอนเมื่อปีที่แล้วได้กลายเป็นความจริงแล้ว

ประการแรก โมเดลภาษาขนาดใหญ่กลายเป็นโครงสร้างพื้นฐานของ AI ค่าใช้จ่ายที่ลดลงและกระบวนการอนุมานที่ดีขึ้นได้ผลักดันให้หลายงานเข้าสู่การผลิต โดยเฉพาะอย่างยิ่งสำหรับงานที่ง่ายๆ เช่น การแยกสิ่ง การจำแนกประเภท และการสรุปผล

ประการที่สอง ตัวแทนได้พิสูจน์แล้วว่าสามารถบริโภคข้อมูลข้อความขององค์กรได้มาก ผู้นำยังคงเผชิญกับความวุ่นวายที่เกิดจากเอกสารที่เกี่ยวข้องกับการปฏิบัติตามกฎระเบียบเมื่อต้องการข้อมูลเพื่อประกอบการตัดสินใจ ข้อมูลการสื่อสารที่เคยถูกละเลยในอีเมล ตั๋ว และบันทึกแชทตอนนี้ถูกใช้โดยตัวแทนเพื่อให้ข้อมูลเชิงลึกและคำแนะนำ

ประการที่สาม ความรู้เชิงสัญลักษณ์ได้กลับมาอีกครั้งโดยไม่คาดคิด กราฟความรู้ซึ่งเคยถูกมองว่าเป็นสิ่งที่มีค่าใช้จ่ายสูงและเปราะบางได้พบชีวิตใหม่ผ่าน GraphRAG และการดึงข้อมูลโดยตัวแทน กราฟที่ไม่สมบูรณ์ได้พิสูจน์แล้วว่ามีประโยชน์ การทำซ้ำมีความสำคัญมากกว่าการสร้างที่สมบูรณ์แบบตั้งแต่แรก

สุดท้าย การ ปรับแต่ง ได้กลับมามีความสำคัญอีกครั้ง เมื่อการเรียนรู้ในบริบทเผชิญกับข้อจำกัดสำหรับงานที่ต้องใช้เวลาและเหตุผลที่หนักหน่วง โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้กลายเป็นที่น่าสนใจอีกครั้ง อุตสาหกรรมได้ค้นพบความจริงเก่าๆ อีกครั้งว่าปัญหาไม่ใช่ทุกปัญหา cầnโมเดลทั่วไปขนาดใหญ่

แม้ว่าแนวโน้มเหล่านี้จะกลายเป็นสิ่งจำเป็นแล้ว แต่จุดเปลี่ยนจริงๆ จะเกิดขึ้นในปี 2026

ความทรงจำอัจฉริยะกลายเป็นพื้นฐาน

ในปี 2026 ตัวแทนจะหยุดเป็นเครื่องมือที่ไม่มีสถานะและเริ่มแสดงพฤติกรรมเหมือนระบบที่มีความทรงจำ

นี่คือที่ที่แนวคิดเรื่อง ความทรงจำอัจฉริยะ เกิดขึ้น แม้ว่าจะมีความน่าดึงดูดที่จะอธิบายสิ่งนี้ว่าเป็นการ ребренดิ้ง ของกราฟความรู้ แต่การอธิบายดังกล่าวพลาดประเด็น ความทรงจำอัจฉริยะคือการวิวัฒนาการ มันรวมทั้งการแสดงผลสัญลักษณ์ที่มีโครงสร้างเข้ากับความสามารถของตัวแทนในการให้เหตุผล อัปเดต และดำเนินการตลอดเวลา

ความทรงจำคือสิ่งที่เปลี่ยนตัวแทนจากการตอบสนองแบบเรียกว่าให้กลายเป็นระบบการตัดสินใจ โดยไม่มีมัน ตัวแทนจะทำซ้ำงาน หลงลืมบริบท และล้มเหลวในการเรียนรู้จากการกระทำในอดีต ด้วยมัน องค์กรสามารถสร้างระบบ AI ที่สะสมความรู้เชิงสถาบันแทนที่จะทิ้งมันทุกครั้งที่มีการส่งคำถาม

การรวมโมเดลแทนที่การบูชาโมเดล

หนึ่งในความพัฒนาที่ถูกพูดถึงน้อยที่สุดคือการเพิ่มขึ้นของการรวมโมเดลและการฝึกอบรมแบบกระจาย แทนที่จะฝึกอบรมโมเดลขนาดใหญ่จากจุดเริ่มต้นจนจุดสิ้นสุด นักวิจัยได้เริ่มแยกปัญหาออกเป็นหลายส่วน โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้รับการฝึกอบรมแยกกันแล้วจึงรวมเข้าด้วยกัน

การเข้าใกล้นี้ปรากฏขึ้นครั้งแรกในการแข่งขันและท้าทายเชิงทดลอง ในปี 2025 มันเติบโตเป็นチュートอรियलและกระบวนการผลิตที่พร้อมใช้งาน ตัวอย่างสาธารณะ รวมถึงการทดลองฝึกอบรมแบบกระจายจาก Cohere ส่งสัญญาณถึงการเปลี่ยนแปลงที่กว้างขึ้น

ในปี 2026 เราจะเห็นตลาดจริงสำหรับโมเดลภาษาที่มีขนาดเล็กที่องค์กรสามารถเป็นเจ้าของ สร้าง และปรับให้เหมาะสมได้ จุดศูนย์กลางเปลี่ยนจาก “ใครมีโมเดลที่ใหญ่ที่สุด” ไปเป็น “ใครสามารถสร้างระบบที่มีประสิทธิภาพมากที่สุด”

AI สำหรับวิทยาศาสตร์ออกจากห้องปฏิบัติการ

AI สำหรับวิทยาศาสตร์ไม่ใช่แค่ความสนใจในการวิจัยเท่านั้น ในปี 2025 การประชุมเชิงปฏิบัติการด้านฟิสิกส์ ชีววิทยา และวัสดุศาสตร์ที่การประชุมใหญ่ๆ มีผู้เข้าร่วมที่ไม่คาดคิด มูลนิธิที่มั่งคั่งและผู้บริจาคเอกชนเริ่มให้ทุนสนับสนุนการพยายามใช้ AI ในทางวิทยาศาสตร์อย่างมาก สตาร์ทอัพเกิดขึ้นด้วยการมุ่งเน้นชัดเจนในการค้นพบยา การออกแบบวัสดุ และการจำลอง

ในปี 2026 การสร้างมูลค่าจะเริ่มปรากฏขึ้น หาก AI เร่งการค้นพบยาต้านแบคทีเรียใหม่ การรักษามะเร็ง หรือวัสดุใหม่ๆ ผลตอบแทนจะ超过ต้นทุนการคำนวณ ทำให้ AI สำหรับวิทยาศาสตร์เป็นหนึ่งในแอปพลิเคชันที่มีเหตุผลทางเศรษฐกิจมากที่สุดในสนาม

อย่างไรก็ตาม AI จะไม่สร้างกฎทางกายภาพใหม่ๆ AlphaFold ประสบความสำเร็จเพราะว่าปัญหาได้รับการกำหนดไว้อย่างชัดเจน ฟิสิกส์ยังคงไม่มีโมเมนต์ของฮิลเบิร์ต ซึ่งเป็นการกำหนดปัญหาหลักที่ต้องแก้ไข การกำหนดปัญหาเหล่านี้ยังคงเป็นงานของมนุษย์

การสร้างหลักฐานเนื้อหากลายเป็นสิ่งสำคัญมากขึ้น

หนึ่งในข้อค้นพบที่น่าประหลาดใจที่สุดของปีที่แล้วมาจากนักสังคมวิทยา ไม่ใช่จากนักเทคโนโลยี

ความเสี่ยงที่ใหญ่ที่สุดของ AI ที่สร้างเนื้อหาไม่ใช่การสูญเสียงาน แต่เป็นการกัดเซาะของหลักฐาน หลักฐานของการเขียนโดยผู้แต่ง หลักฐานของการทำงาน หลักฐานของความแท้จริง และหลักฐานของความเป็นมนุษย์

เมื่อเนื้อหาที่สร้างโดย AI อัดแน่นทุกสื่อ สังคมจะเรียกร้องกลไกใหม่ๆ เพื่อยืนยันว่าใครสร้างอะไร นี่คือที่ที่แนวคิดจาก криптография และบล็อกเชนกลับมาสู่การอภิปรายอีกครั้ง ไม่ใช่ในฐานะสินทรัพย์เชิงสเปคูเลตีฟ แต่เป็นโครงสร้างพื้นฐานสำหรับการยืนยันและตรวจสอบ

AI อาจกลายเป็นตัวเร่งที่ทำให้ระบบเหล่านี้มีจุดประสงค์ที่แท้จริง

ตัวแทนเรียนรู้ผ่านเครื่องมือ ไม่ใช่ข้อความ

โมเดลภาษาขนาดใหญ่ที่มีเครื่องมือต่างๆ นั้นแตกต่างจากแชทบอทอย่างพื้นฐาน เครื่องมือที่สำคัญที่สุดสำหรับตัวแทนในปัจจุบันคือเทอร์มินัล

มาตรฐานการประเมินเช่น Terminal Bench ทำให้การเปลี่ยนแปลงนี้เป็นรูปธรรม ตัวแทนสามารถโต้ตอบกับบรรทัดคำสั่ง API และสภาพแวดล้อมได้เรียนรู้โดยการทำ ลับแล็บด้านหน้าได้ใช้จ่ายหลายร้อยล้านดอลลาร์ในการซื้อข้อมูลงานที่มีทักษะสูงเพื่อฝึกอบรมตัวแทนเหล่านี้

ชุดข้อมูลเหล่านี้เป็นส่วนตัวและกระจัดกระจาย ซึ่งมีผลกระทบสำคัญ之一 คือ โมเดลจะหยุดคิดเหมือนกัน เมื่อข้อมูลฝึกอบรมแตกต่างกัน โมเดลแนวหน้าจะพัฒนาทักษะและรูปแบบการให้เหตุผลที่แตกต่างกัน ความเป็นเนื้อเดียวกันคือสิ่งที่เกิดขึ้นชั่วคราวเนื่องจากข้อมูลที่ใช้ร่วมกัน ความหลากหลายกำลังจะกลับมา

เมื่อผู้ช่วยเขียนโค้ดอย่าง Claude Code และ OpenAI Codex ดีขึ้นทุกวัน เราได้กลั่นกรองความรู้จากพวกมันในรูปแบบของซอฟต์แวร์ ในผลที่ตามมา สิ่งนี้เริ่มดูเหมือนกับสิ่งที่บางคนเรียกว่า “ซอฟต์แวร์ดิสทิลเลอรี่” ที่โมเดลขนาดใหญ่ช่วยออกแบบระบบที่ถูกดิสทิลลงเป็นซอฟต์แวร์ที่มีราคาถูกกว่าและเหมาะสมกับการทำงานบน CPU มากกว่าการทำงานโดยโมเดลแนวหน้าโดยตรง หากการสร้างโทเค็นกลายเป็นเรื่องที่ถูกกว่ามากและผู้ช่วยเขียนโค้ดมีความสามารถมากขึ้น ซอฟต์แวร์เองอาจกลายเป็นสิ่งหนึ่งที่เป็นของอดีต เนื่องจากมนุษย์อาจต้องมีส่วนร่วมในวงจรการทำงาน

มองไปข้างหน้า

หากปี 2025 เป็นปีที่โมเดลภาษาขนาดใหญ่กลายเป็นสินค้าโภคภัณฑ์ ปี 2026 จะเป็นปีที่ความฉลาดกลายเป็นระบบที่มีโครงสร้าง

ผู้ชนะจะไม่ใช่ผู้ที่มีโมเดลที่ใหญ่ที่สุด แต่ผู้ที่สร้างระบบที่จดจำ ให้เหตุผล ระบุ และพัฒนา AI ไม่ใช่เรื่องของความสามารถดิบอีกต่อไป แต่เป็นเรื่องของสถาปัตยกรรม

และนั่นคือที่ที่ความก้าวหน้าที่แท้จริงจะเกิดขึ้น